一个雷达跑通了五种SLAM算法

一个雷达跑通了五种 SLAM 算法 用 M360 做了一个实验：同一个场景，跑五款不同的 SLAM 算法，看哪个效果好。 不是为了证明 M360 兼容性好——这个不用证明，只要是 ROS2 支持的 LiDAR，理论上都能跑。我们想知道的是，M360 的非重复扫描点云在不同算法里的表现差异有多大，哪种算法最适合 M360。 测试环境 硬件：工控机（Intel i7-12700H，32GB 内存），M360 安装在一台 AGV 上。 软件：Ubuntu 22.04，ROS2 Humble，五款 SLAM 算法分别是 FAST-LIO2、LIO-SAM、Point-LIO、RT-LOAM 和 Cartographer。 测试场景：一条 200m 长的仓库通道，两侧是货架，通道宽度 3m，末端有一个 90° 转弯。 跑的时候 AGV 以 0.8m/s 的速度匀速行驶，M360 装在车顶正中间，光学中心朝上 5°。 FAST-LIO2：最稳的选择 FAST-LIO2 是目前用得最多的 LiDAR-IMU 融合 SLAM 算法，对非重复扫描的支持很成熟。 测试结果：建图效果最好。点云地图很干净，几乎没有漂移。跑完 200m 通道再回到起点，回环误差大概 2~3cm。 CPU 占用率在 i7-12700H 上只有 15~20%，非常轻量。M360 的内置 IMU 数据直接喂给 FAST-LIO2 的 IMU 预积分模块，不需要外接 IMU。 有一个小问题：FAST-LIO2 默认的点云降采样分辨率是 0.5m，对于 3m 宽的通道来说太粗了。我们改成 0.1m 之后，地图精细了很多，但 CPU 占用涨到了 35%。对 i7 来说无所谓，对低性能平台（树莓派、Jetson Nano）就需要权衡了。 适合 M360 的原因 ：FAST-LIO2 的 iKD-Tree 数据结构对非重复扫描的高密度点云处理效率很高，不需要均匀扫描也能工作得很好。 LIO-SAM：老牌但不太适合 LIO-SAM 是基于因子图优化的 SLAM 算法，在均匀扫描的机械式雷达上表现很好。 测试结果：能用，但不如 FAST-LIO2。 问题在于 LIO-SAM 的角点提取模块。角点提取算法假设点云是均匀分布的扫描线（每一线是一条水平线），但 M360 的非重复扫描不是线状的，角点提取的效果打折扣。建图出来之后，地图的细节比 FAST-LIO2 少很多，边缘不够锐利。 另外一个问题：LIO-SAM 的回环检测模块依赖子地图匹配，在通道场景里特征比较单一，回环检测经常失败。FAST-LIO2 虽然也有这个问题，但因为有更好的 IMU 融合，漂移更小，回环误差也小。 结论 ：LIO-SAM 能跑，但不是 M360 的最佳搭配。如果你已经有 LIO-SAM 的代码和经验，迁移到 M360 不会太困难，但效果不如 FAST-LIO2。 Point-LIO：低算力平台的救星 Point-LIO 是 FAST-LIO2 的精简版，专门为低算力平台优化。 测试结果：建图效果跟 FAST-LIO2 接近（几乎一样），但 CPU 占用率更低。在 i7 上只有 8~12%，大概比 FAST-LIO2 省了一半。 Point-LIO 的核心思想是逐点处理而不是逐帧处理——每来一个点就更新一次状态估计，不需要等一帧完整的点云。这个特性跟 M360 的非重复扫描天然契合：M360 的点云是非均匀的，"一帧"的概念本身就比较模糊，逐点处理反而更合适。 适合场景 ：如果工控机性能有限（Jetson Nano、树莓派 4），Point-LIO 是首选。 RT-LOAM：实时的代价 RT-LOAM 强调实时性，在嵌入式平台上跑得快。 测试结果：速度确实快，CPU 占用率 5~8%。但建图质量不如 FAST-LIO2 和 Point-LIO，地图比较稀疏，漂移也稍大。 RT-LOAM 的实时性来自于简化了特征提取和状态估计的流程，在均匀扫描的雷达上这种简化影响不大，但在非重复扫描的雷达上，简化的流程对不规则点云的处理能力更弱。 结论 ：如果对实时性要求极高、对精度要求一般，可以考虑。大部分项目还是建议用 FAST-LIO2 或 Point-LIO。 Cartographer：Google 的方案 Cartographer 是 Google 开源的 2D/3D SLAM 算法，支持纯 LiDAR（不需要 IMU）。 测试结果：3D 模式下能跑，但效果一般。纯 LiDAR 模式下漂移比带 IMU 的方案大很多，200m 通道回环误差在 10~15cm 左右。 Cartographer 对点云的均匀性要求比较高，非重复扫描给它带来了一些挑战。它内部用了一系列滤波器来处理点云，这些滤波器假设输入是均匀扫描的点云，遇到 M360 的非均匀点云，滤波效果会打折扣。 2D 模式下反而表现不错——Cartographer 先把 3D 点云投影到 2D 平面做建图，投影之后的点云均匀性就好了很多。如果你的项目只需要 2D 地图（比如简单的室内导航），Cartographer 的 2D 模式配合 M360 是一个简单可靠的方案。 结论 ：2D 导航场景可以用，3D 场景不推荐。 总结 算法 建图质量 CPU 占用 适合 M360 推荐度 首选 低算力首选 可用但非最优 极致实时场景 不推荐 2D 导航可用 实际项目中最常用的组合是： ，覆盖 90% 的场景。如果工控机性能不够，换成 Point-LIO。如果只需要 2D 导航，Cartographer 2D 也可以。 M360 的内置 IMU 在这个测试中发挥了很大作用——所有带 IMU 融合的算法（FAST-LIO2、Point-LIO、LIO-SAM）都比纯 LiDAR 方案（Cartographer）表现好。IMU 提供的短期姿态估计弥补了非重复扫描在单帧覆盖上的不足。 以上测试结果基于特定硬件和场景，仅供参考。不同环境下的表现可能有差异。